YOLO模型如何训练 -AI避障识别之红外目标检测数据集 红外小目标检测数据集 红外车辆行人识别数据集 Yolo格式数据集 第10217期
红外目标检测数据集核心信息解析
类别与指标
lasses(4)类别（4） bicycle 自行车 car 汽车 dog 狗 person 人 Metrics 指标 mAP@5050%交并比下的平均精度均值99.4%Precision 精确率98.7%Recall 召回率98.5%数据集核心信息速览表
| 信息类别 | 具体内容 |
|---|---|
| 数据集类别 | 红外图像目标检测类数据集，聚焦四大核心检测对象：自行车（bicycle）、汽车（car）、狗（dog）、行人（person） |
| 数量 | 包含 1038 张红外图像，配套 1 个专用数据集及 1 个训练完成的目标检测模型 |
| 数据集格式种类 | 以图像文件格式为主（支持拖放及设备浏览上传），配套提供 BibTeX 引用格式文件 |
| 最重要的应用价值 | 为红外场景下的目标检测研究提供基础数据支撑，可用于论文实验、模型训练与验证，助力提升夜间 / 低光环境下目标识别精度 |
数据集类别：聚焦红外场景核心检测对象
该数据集专门针对红外图像场景设计，核心类别围绕四类常见目标展开。无论是交通场景中的自行车与汽车，还是日常环境里的狗与行人，都精准覆盖了红外技术常需识别的关键对象，为特定场景下的检测任务提供针对性数据。
数据集数量：兼顾规模与实用性的配置
图像数量达 1038 张，既能满足基础模型训练对数据量的需求，又避免了大规模数据带来的处理负担。同时配套 1 个数据集和 1 个模型，形成 “数据 + 模型” 的基础组合，省去了从零构建数据集和训练初始模型的步骤，实用性较强。
红外目标检测数据集 训练代码（YOLOv5/8/11 通用）
一、数据集配置文件infrared.yaml
path:./infrared_datasettrain:images/trainval:images/valtest:images/testnc:4names:0:bicycle1:car2:dog3:person二、环境依赖安装
pipinstallultralytics opencv-python numpy三、Python 训练代码（YOLOv8 / YOLOv11）
fromultralyticsimportYOLOdeftrain_infrared_detection():# 加载预训练权重，可切换 yolov8n.pt / yolov11n.ptmodel=YOLO("yolov8n.pt")# 训练参数配置train_results=model.train(data="infrared.yaml",# 数据集配置文件epochs=100,# 训练轮数batch=8,# 批次大小，显存不足改为 4imgsz=640,# 输入图像尺寸device=0,# GPU训练；无GPU填写 device="cpu"patience=15,# 早停，防止过拟合pretrained=True,# 启用预训练权重save=True# 自动保存权重)print("训练完成，最优模型路径：runs/detect/train/weights/best.pt")if__name__=="__main__":train_infrared_detection()四、命令行训练方式
# YOLOv8 训练yolo detect trainmodel=yolov8n.ptdata=infrared.yamlepochs=100batch=8imgsz=640device=0# YOLOv11 训练yolo detect trainmodel=yolov11n.ptdata=infrared.yamlepochs=100batch=8imgsz=640device=0五、推理测试代码（图片/视频/摄像头）
fromultralyticsimportYOLOimportcv2# 加载训练好的模型model=YOLO("runs/detect/train/weights/best.pt")# 单张红外图片检测defdetect_image(img_path):img=cv2.imread(img_path)results=model(img,conf=0.25)out_img=results[0].plot()cv2.imwrite("infrared_result.jpg",out_img)cv2.imshow("Infrared Detection",out_img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频/摄像头实时检测defdetect_video(video_source=0):cap=cv2.VideoCapture(video_source)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame,conf=0.25)frame=results[0].plot()cv2.imshow("Real-time Infrared Detection",frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()# 调用示例# detect_image("test_infrared.jpg")# detect_video("test_video.mp4")六、补充说明
- 数据集共1038 张红外图像，建议按
8:1:1划分为训练集、验证集、测试集； - 标签为标准 YOLO TXT 格式，全系列 YOLO 模型可直接使用；
- 该数据集原始模型指标优秀（mAP@50=99.4%），微调后可快速落地夜间、低光红外检测场景。